CN112785077A - 基于时空数据的出行需求预测方法及*** - Google Patents
基于时空数据的出行需求预测方法及*** Download PDFInfo
- Publication number
- CN112785077A CN112785077A CN202110136751.6A CN202110136751A CN112785077A CN 112785077 A CN112785077 A CN 112785077A CN 202110136751 A CN202110136751 A CN 202110136751A CN 112785077 A CN112785077 A CN 112785077A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- vehicle
- sampling
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 92
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000009792 diffusion process Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 32
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于时空数据的出行需求预测方法及***,方法包括:从原始采样轨迹中抽取出有用轨迹;构建城市路网的空间索引;对采样轨迹中的每个采样点,检索其周边的候选路段,并计算初始状态概率、改进的测量概率和转换概率,求解车辆行驶路径;引入方向角这一元信息,将采集到的海量车辆轨迹匹配到城市路网中,探索城市路网当中的热点路段;设计了基于门控扩散单元的居民出行需求预测算法,且为了提高该算法的实用性,设计了基于Seq2Seq结构的多步预测模型。本发明方法能够捕获车辆轨迹数据中复杂的时空依赖关系,挖掘其内在模式,精准预测居民出行需求。
Description
技术领域
本发明属于流量预测领域,特别涉及一种基于时空数据的出行需求预测方法及***。
背景技术
配备GPS的车辆是一种重要的传感装置,其轨迹直接反映着城市居民的行程。车辆的轨迹可以相当精确地告诉我们乘客的位置、乘客的上车点、乘客的目的地和司机选择的行驶路线。由于所服务的乘客的多样以及它们的持续运行性,车辆的GPS轨迹为研究城市流动人口的动机、行为和动态提供了丰富而详细的信息。对车辆轨迹数据的挖掘,对于充分理解城市居民流动起着重要作用。
居民出行需求是社会动态中的重要部分,与居民日常生活息息相关。对于城市居民而言,准确的出行需求预测可以显著减少其等待时间,保证其出行效率。对于车辆管理部门而言,准确的出行需求预测可以对车辆进行合理调度,最大化效益。最后对于政府而言,准确的出行需求预测可以缓解交通拥堵,优化城市结构。
车辆轨迹匹配即结合城市路网数据,将原始的GPS点映射到城市路网当中,最后形成用路网编号来表示的轨迹,也简称为地图匹配。目前有大量对地图匹配算法的研究,包括局部地图匹配算法和全局地图匹配算法等。近年来,随着地图匹配算法的深入研究,隐马尔科夫模型、条件随机场(CRF)和带权图结构模型(WGT)等三种状态-转换模型逐渐成为了主流的地图匹配模型。其中,隐马尔科夫模型是一个时序模型,给定观测值序列去反推出最有可能的未知的状态序列。在地图匹配中,观测值序列就是采样点序列,而未知的状态序列就是采样点对应的路段组成的序列。因此,隐马尔科夫模型天然适用于地图匹配而且现已被广泛使用。然而,在数据的采集过程中,由于城市路网结构错综复杂,车辆种类繁多,各区域交通状态不尽相同,复杂的城市环境下数据的采集可能会带来部分数据的缺失。例如,车辆在进入隧道、地下室时,信号会缺失,导致采集设备难以正常工作。数据的噪声和缺失会给对出行需求预测的准确度带来影响。
居民出行需求预测本质上是基于时空数据的预测问题,常用的方法包括传统的差分整合移动平均自回归模型(ARIMA)、基于机器学习的方法如最近邻算法(KNN)以及基于深度学习的方法如长短期记忆网络(LSTM)等。然而,城市交通数据往往具有很强的非线性并且在时间和空间上具有较强的联系。在空间上,当前站点的需求会受到周边临近区域站点需求的影响,并且这种影响是动态变化的,而非静态的。在时间上,站点的需求往往呈现周期性的变化。例如,某一时刻的临近时刻,不同天的相同时刻等等。因此,在居民出行需求预测的研究当中,如何挖掘这种非线性关系、捕获时空相关依赖就成了关键环节。
发明内容
本发明的目的在于针对上述现有技术存在的问题,提供一种基于时空数据的出行需求预测方法及***。
实现本发明目的的技术解决方案为:一种基于时空数据的出行需求预测方法,所述方法包括以下步骤:
步骤1,采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
步骤2,基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
步骤3,基于地图匹配结果进行出行需求预测。
进一步地,步骤1中所述车辆轨迹数据,包括车辆编号、采样时间、车辆经度、车辆纬度、车辆速度和方向角;步骤2中所述城市路网数据包括路段的起点、终点、道路等级、限速和长度。
进一步地,步骤1中所述预处理具体包括:
步骤1-1,对采集的原始车辆轨迹进行格式转化,转化为后续数据处理所需的格式;
步骤1-2,去除噪声数据,包括重复的采样轨迹数据、偏离预设轨迹路线的异常采样轨迹数据;
步骤1-3,抽取采样轨迹数据,具体包括:
(1)根据采样点位置的变化提取每辆车的采样轨迹数据;
(2)根据时间戳对每辆车的采样轨迹数据进行排序;
步骤1-4,计算每辆车的采样轨迹数据与预设轨迹路线的位置偏移量,判断该偏移量是否大于预设阈值,若大于,对该采样轨迹数据进行平滑处理。
进一步地,步骤2所述基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配,具体包括:
步骤2-1,基于城市路网数据,构建路网空间索引,具体包括:
(1)利用图结构G<V,E>表示城市路网,其中V表示道路之间的交叉点的集合,E表示路网中路段的集合;
(2)利用R-树技术为(1)中得到的路段集合建立空间索引;
步骤2-2,候选路段选取:针对轨迹中的每一个采样点,计算其与路网中各路段之间的最短距离,将最短距离小于预设阈值的路段作为该采样点对应的候选路段;
步骤2-3,进行车辆轨迹地图匹配,具体包括:
(1)进行误差概率建模
采样点的误差概率N(pi|sgt)定义为:
(2)进行方向概率建模
以正北方向为基准,顺时针方向为正方向,定义采样点的方向角为采样点的行驶方向与正北方向所成的角度,方向概率D(pi|sgt)定义为:
D(pi|sgt)=log(1+exp(-α))
其中,
(3)进行测量概率建模
结合误差概率和方向概率,改进的测量概率I(pi|sgt)定义为:
I(pi|sgt)=N*D
(4)进行转换概率建模
给定两个相邻采样点,转换概率为车辆从前一采样点的某个候选路段行驶到后一采样点的某个候选路段的概率,候选路段之间的转换概率P(sgm|sgt)定义为:
其中,
(5)进行参数选择
结合初始状态概率、改进的测量概率和转换概率,利用维特比算法求出最优的状态序列,即车辆最有可能的行驶路径;其中,所述初始状态概率定义为轨迹中第一个采样点的测量概率;
计算所述最优的状态序列与城市路网数据的匹配度,包括Ar和Al两个评价指标:
其中,Ar表示路段个数匹配的准确度,Al表示路段长度匹配的准确度;
判断Ar和Al两个评价指标值是否均满足其各自的精度阈值范围,若是,则匹配结束,否则,重新设置误差概率中的参数μ和δ,并重复执行步骤2-3直至满足要求。
进一步地,步骤3所述基于地图匹配结果进行出行需求预测,具体包括:
步骤3-1,选择城市热门区域站点并构建邻接矩阵,具体包括:
(1)基于地图匹配得到的车辆轨迹数据集,统计每个站点的轨迹数量,将轨迹数大于预设阈值的站点定义为有效站点;
(2)根据城市路网的空间拓扑结构,构建有效站点的邻接矩阵A:
式中,Aij表示邻接矩阵A第i行第j列的元素,dij表示站点i到站点j的距离,η和ε为两个预设阈值,用于控制邻接矩阵A的稀疏性;
步骤3-2,构建出行需求数据集:设置时间间隔,统计该间隔内各站点的出行需求,得到数据集,记为χ∈RT×N×F,T、N、F分别表示时间、站点个数、出行需求特征的维度;
步骤3-3,构建出行预测模型,具体包括:
(1)使用门控扩散单元GDU抽取站点间的交互信息以及时序网络中的时间依赖;所述门控扩散单元GDU仅包括遗忘门和进化门,其中,GDU中的遗忘门fi定义为:
式中,表示结点i在当前时刻t的输入特征向量,表示结点i在当前时刻t的隐状态向量,表示当前时刻t结点i的邻居节点的隐状态向量的集合,为通过聚合结点i邻居节点的信息得到的隐状态,为结点i在下个时刻t+1的隐状态向量;Wf为随机初始化的一个参数矩阵,σ为激活函数;
GDU中的进化门ei定义为:
式中,We为随机初始化的一个参数矩阵;
式中,Wu为随机初始化的一个参数矩阵;
(2)在GDU中的聚合函数中引入空间注意力机制,捕获区域站点之间的动态空间依赖关系,定义如下:
式中,表示结点i和结点j在t时刻的动态空间依赖关系,Linear(;wα)为全连接层,Wα、wα均为全连接层的参数,为拼接后形成的输入向量,为邻居结点的隐状态向量,ReLU表示激活函数,表示结点i的邻居节点的权重,K表示结点i的邻居节点的个数;故表示为,
式中,J表示节点即站点的个数;
(3)在原始的Sequence-to-Sequence结构中引入时间注意力机制,定义如下:
式中,hp、hq分别为编码器第p个时刻和解码器第q个时刻的隐藏向量,R表示编码器的时刻数,Linear([Wαhp,Wαhq];wα)用于学习hp和hq的相似性,故时刻p的语义向量Cp可表示为:
式中,Q表示解码器的时刻数;
步骤3-4,模型训练与多步预测,具体包括:将邻接矩阵和出行需求数据输入到GDU中,训练模型并作出预测,判断预测结果是否满足预设精度或达到预设迭代次数,若是,则返回预测结果,否则优化模型参数,重新该步骤直至满足条件。
一种基于时空数据的出行需求预测***,所述***包括:
数据采集模块,用于采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
车辆轨迹地图匹配模块,用于基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
出行需求预测模块,用于基于地图匹配结果进行出行需求预测
本发明与现有技术相比,其显著优点为:1)针对车辆轨迹数据在采集过程中会引入噪声和缺失值的问题,利用基于方向角的隐马尔科夫模型对车辆轨迹进行地图匹配,同时在大数据平台下对该算法进行了实现以处理大规模轨迹数据,提高了地图匹配算法的准确性和鲁棒性;2)针对站点之间复杂的动态时空依赖关系,提出基于门控扩散单元(GDU)的居民出行需求预测算法,能对未来多个时间片的出行需求做出准确预测;3)将上述技术进行融合,设计并初步实现了居民出行需求预测***,能够应对大规模原始轨迹数据的处理,同时在出行需求预测中相比于其他算法具有较高的精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于时空数据的出行需求预测方法的流程图。
图2为一个实施例中基于GDU的Seq2Seq出行需求预测模型结构图。
图3为一个实施例中居民出行需求预测模型的对比实验结果图。
图4为一个实施例中基于车辆轨迹的居民出行需求预测***界面图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施案例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,结合图1,提出了一种基于时空数据的出行需求预测方法,所述方法包括以下步骤:
步骤1,采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
这里,所述车辆轨迹数据,包括车辆编号、采样时间、车辆经度、车辆纬度、车辆速度和方向角;
步骤2,基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
这里,所述城市路网数据包括路段的起点、终点、道路等级、限速和长度;
步骤3,基于地图匹配结果进行出行需求预测。
进一步地,在其中一个实施例中,步骤1中所述预处理具体包括:
步骤1-1,对采集的原始车辆轨迹进行格式转化,转化为后续数据处理所需的格式;
步骤1-2,去除噪声数据,包括重复的采样轨迹数据、偏离预设轨迹路线的异常采样轨迹数据;
步骤1-3,抽取采样轨迹数据,具体包括:
(1)根据采样点位置的变化提取每辆车的采样轨迹数据;
(2)根据时间戳对每辆车的采样轨迹数据进行排序;
步骤1-4,计算每辆车的采样轨迹数据与预设轨迹路线的位置偏移量,判断该偏移量是否大于预设阈值,若大于,对该采样轨迹数据进行平滑处理。
进一步地,在其中一个实施例中,步骤2所述基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配,具体包括:
步骤2-1,基于城市路网数据,构建路网空间索引,具体包括:
(1)利用图结构G<V,E>表示城市路网,其中V表示道路之间的交叉点的集合,E表示路网中路段的集合;
(2)利用R-树技术为(1)中得到的路段集合建立空间索引;
步骤2-2,候选路段选取:针对轨迹中的每一个采样点,计算其与路网中各路段之间的最短距离,将最短距离小于预设阈值的路段作为该采样点对应的候选路段;
步骤2-3,进行车辆轨迹地图匹配,具体包括:
(2)进行误差概率建模
采样点的误差概率N(pi|sgt)定义为:
(2)进行方向概率建模
以正北方向为基准,顺时针方向为正方向,定义采样点的方向角为采样点的行驶方向与正北方向所成的角度,方向概率D(pi|sgt)定义为:
D(pi|sgt)=log(1+exp(-α))
其中,
(3)进行测量概率建模
结合误差概率和方向概率,改进的测量概率I(pi|sgt)定义为:
I(pi|sgt)=N*D
(4)进行转换概率建模
给定两个相邻采样点,转换概率为车辆从前一采样点的某个候选路段行驶到后一采样点的某个候选路段的概率,候选路段之间的转换概率P(sgm|sgt)定义为:
其中,
(5)进行参数选择
结合初始状态概率、改进的测量概率和转换概率,利用维特比算法求出最优的状态序列,即车辆最有可能的行驶路径;其中,所述初始状态概率定义为轨迹中第一个采样点的测量概率;
计算所述最优的状态序列与城市路网数据的匹配度,包括Ar和Al两个评价指标:
其中,Ar表示路段个数匹配的准确度,Al表示路段长度匹配的准确度;
判断Ar和Al两个评价指标值是否均满足其各自的精度阈值范围,若是,则匹配结束,否则,重新设置误差概率中的参数μ和δ,并重复执行步骤2-3直至满足要求。
进一步地,在其中一个实施例中,步骤3所述基于地图匹配结果进行出行需求预测,具体包括:
步骤3-1,选择城市热门区域站点并构建邻接矩阵,具体包括:
(1)基于地图匹配得到的车辆轨迹数据集,统计每个站点的轨迹数量,将轨迹数大于预设阈值的站点定义为有效站点;
(2)根据城市路网的空间拓扑结构,构建有效站点的邻接矩阵A:
式中,Aij表示邻接矩阵A第i行第j列的元素,dij表示站点i到站点j的距离,η和ε为两个预设阈值,用于控制邻接矩阵A的稀疏性;
步骤3-2,构建出行需求数据集:设置时间间隔,统计该间隔内各站点的出行需求(从该站点出发的轨迹数量),得到数据集,记为χ∈RT×N×F,T、N、F分别表示时间、站点个数、出行需求特征的维度;
步骤3-3,构建出行预测模型,结合图2,具体包括:
(1)使用门控扩散单元GDU抽取站点间的交互信息以及时序网络中的时间依赖;所述门控扩散单元GDU仅包括遗忘门和进化门,其中,GDU中的遗忘门fi定义为:
式中,表示结点i在当前时刻t的输入特征向量,表示结点i在当前时刻t的隐状态向量,表示当前时刻t结点i的邻居节点的隐状态向量的集合,为通过聚合结点i邻居节点的信息得到的隐状态,为结点i在下个时刻t+1的隐状态向量;Wf为随机初始化的一个参数矩阵,σ为激活函数;
GDU中的进化门ei定义为:
式中,We为随机初始化的一个参数矩阵;
式中,Wu为随机初始化的一个参数矩阵;
(2)在GDU中的聚合函数中引入空间注意力机制,捕获区域站点之间的动态空间依赖关系,定义如下:
式中,表示结点i和结点j在t时刻的动态空间依赖关系,Linear(;wα)为全连接层,Wα、wα均为全连接层的参数,为拼接后形成的输入向量,为邻居结点的隐状态向量,ReLU表示激活函数,表示结点i的邻居节点的权重,K表示结点i的邻居节点的个数;故表示为,
式中,J表示节点即站点的个数;
(3)在原始的Sequence-to-Sequence结构中引入时间注意力机制,定义如下:
式中,hp、hq分别为编码器第p个时刻和解码器第q个时刻的隐藏向量,R表示编码器的时刻数,Linear([Wαhp,Wαhq];wα)用于学习hp和hq的相似性,故时刻p的语义向量Cp可表示为:
式中,Q表示解码器的时刻数;
步骤3-4,模型训练与多步预测,具体包括:将邻接矩阵和出行需求数据输入到GDU中,训练模型并作出预测,判断预测结果是否满足预设精度或达到预设迭代次数,若是,则返回预测结果,否则优化模型参数,重新该步骤直至满足条件。
在一个实施例中,提供了一种基于时空数据的出行需求预测***,所述***包括:
数据采集模块,用于采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
车辆轨迹地图匹配模块,用于基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
出行需求预测模块,用于基于地图匹配结果进行出行需求预测。
进一步地,在其中一个实施例中,所述数据采集模块包括用于实现预处理的依次执行的:
数据转换单元,用于对采集的原始车辆轨迹进行格式转化,转化为后续数据处理所需的格式;
过滤单元,用于去除噪声数据,包括重复的采样轨迹数据、偏离预设轨迹路线的异常采样轨迹数据;
数据提取单元,用于抽取采样轨迹数据,具体包括:
(1)根据采样点位置的变化提取每辆车的采样轨迹数据;
(2)根据时间戳对每辆车的采样轨迹数据进行排序;
平滑单元,用于计算每辆车的采样轨迹数据与预设轨迹路线的位置偏移量,判断该偏移量是否大于预设阈值,若大于,对该采样轨迹数据进行平滑处理。
进一步地,在其中一个实施例中,所述车辆轨迹地图匹配模块包括:
索引构建单元,用于基于城市路网数据,构建路网空间索引,具体包括:
(1)利用图结构G<V,E>表示城市路网,其中V表示道路之间的交叉点的集合,E表示路网中路段的集合;
(2)利用R-树技术为(1)中得到的路段集合建立空间索引;
候选路段选取单元,用于针对轨迹中的每一个采样点,计算其与路网中各路段之间的最短距离,将最短距离小于预设阈值的路段作为该采样点对应的候选路段;
匹配单元,用于进行车辆轨迹地图匹配,具体包括:
(1)进行误差概率建模
采样点的误差概率N(pi|sgt)定义为:
(2)进行方向概率建模
以正北方向为基准,顺时针方向为正方向,定义采样点的方向角为采样点的行驶方向与正北方向所成的角度,方向概率D(pi|sgt)定义为:
D(pi|sgt)=log(1+exp(-α))
其中,
(3)进行测量概率建模
结合误差概率和方向概率,改进的测量概率I(pi|sgt)定义为:
I(pi|sgt)=N*D
(4)进行转换概率建模
给定两个相邻采样点,转换概率为车辆从前一采样点的某个候选路段行驶到后一采样点的某个候选路段的概率,候选路段之间的转换概率P(sgm|sgt)定义为:
其中,
(5)进行参数选择单元
结合初始状态概率、改进的测量概率和转换概率,利用维特比算法求出最优的状态序列,即车辆最有可能的行驶路径;其中,所述初始状态概率定义为轨迹中第一个采样点的测量概率;
计算所述最优的状态序列与城市路网数据的匹配度,包括Ar和Al两个评价指标:
其中,Ar表示路段个数匹配的准确度,Al表示路段长度匹配的准确度;
判断Ar和Al两个评价指标值是否均满足其各自的精度阈值范围,若是,则匹配结束,否则,重新设置误差概率中的参数μ和δ,并重复执行匹配单元直至满足要求。
进一步地,在其中一个实施例中,所述出行需求预测模块包括:
邻接矩阵构建单元,用于选择城市热门区域站点并构建邻接矩阵,具体包括:
(1)基于地图匹配得到的车辆轨迹数据集,统计每个站点的轨迹数量,将轨迹数大于预设阈值的站点定义为有效站点;
(2)根据城市路网的空间拓扑结构,构建有效站点的邻接矩阵A:
式中,Aij表示邻接矩阵A第i行第j列的元素,dij表示站点i到站点j的距离,η和ε为两个预设阈值,用于控制邻接矩阵A的稀疏性;
数据集构建单元,用于构建出行需求数据集,具体包括:设置时间间隔,并统计该间隔内各站点的出行需求,得到数据集,记为χ∈RT×N×F,T、N、F分别表示时间、站点个数、出行需求特征的维度;
模型构建单元,用于构建出行预测模型,具体包括:
(1)使用门控扩散单元GDU抽取站点间的交互信息以及时序网络中的时间依赖;所述门控扩散单元GDU仅包括遗忘门和进化门,其中,GDU中的遗忘门fi定义为:
式中,表示结点i在当前时刻t的输入特征向量,表示结点i在当前时刻t的隐状态向量,表示当前时刻t结点i的邻居节点的隐状态向量的集合,为通过聚合结点i邻居节点的信息得到的隐状态,为结点i在下个时刻t+1的隐状态向量;Wf为随机初始化的一个参数矩阵,σ为激活函数;
GDU中的进化门ei定义为:
式中,We为随机初始化的一个参数矩阵;
式中,Wu为随机初始化的一个参数矩阵;
(2)在GDU中的聚合函数中引入空间注意力机制,捕获区域站点之间的动态空间依赖关系,定义如下:
式中,表示结点i和结点j在t时刻的动态空间依赖关系,Linear(;wα)为全连接层,Wα、wα均为全连接层的参数,为拼接后形成的输入向量,为邻居结点的隐状态向量,ReLU表示激活函数,表示结点i的邻居节点的权重,K表示结点i的邻居节点的个数;故表示为,
式中,J表示节点即站点的个数;
(3)在原始的Sequence-to-Sequence结构中引入时间注意力机制,定义如下:
式中,hp、hq分别为编码器第p个时刻和解码器第q个时刻的隐藏向量,R表示编码器的时刻数,Linear([Wαhp,Wαhq];wα)用于学习hp和hq的相似性,故时刻p的语义向量Cp可表示为:
式中,Q表示解码器的时刻数;
训练与预测单元,用于实现模型训练与多步预测,具体包括:将邻接矩阵和出行需求数据输入到GDU中,训练模型并作出预测,判断预测结果是否满足预设精度或达到预设迭代次数,若是,则返回预测结果,否则优化模型参数,重新该单元直至满足条件。
示例性地,***的界面如图4所示,界面右侧包含两个模块,在车辆轨迹匹配模块中,首先选择车辆行驶的城市,获取该城市的路网,然后在左侧会出现所选城市的路网,最后上传轨迹数据,匹配的结果会在左上方的轨迹匹配结果中显示。右侧的出行需求预测部分提供了参数的输入,包括热门站点个数和邻接矩阵的稀疏性控制,最终预测的结果会在左上角的需求预测结果中显示。
作为一种具体示例,在其中一个实施例中,对本发明进行进一步验证说明。
本实施例中用到的数据集来源于上海近万辆出租车一个月左右的车辆轨迹数据集,主要包括经度、纬度,载客状态、速度、方向角、时间戳等字段信息。对车辆轨迹做了简单的预处理工作,删除重复和误差较大的采样点,设置滑动窗口,对误差较小的采样点进行平滑,抽取出有效轨迹。然后利用上述基于方向角的地图匹配算法对轨迹进行匹配,得到一条条路径轨迹数据集。
在抽取出城市的热门区域站点后,根据城市路网的空间拓扑结构,构建这些站点的邻接矩阵A,具体的计算公式如下所示:
其中,σ=10和ε=0.5是两个阈值用来控制邻接矩阵A的稀疏性。
将前22天的数据作为训练集,后8天作为验证集和测试集,验证集和测试集大小相同。时间间隔为5分钟,即每5分钟统计一次各站点的出行需求。训练集χ∈RT×N×F,表示第一个5分钟内第n个站点第f个特征的取值。
本实施例选择目前流行的不同流量预测方法作为对比方法来进行对比实验:长短期记忆人工神经网络(LSTM)、图卷积门控循环单元(GCGRU)。本发明的方法记作GDU_Seq2Seq。
对比实验的实验结果如图3所示,横轴表示训练周期,纵轴表示评价指标(RMSE)。可以看到:本发明提出的GDU_Seq2Seq模型优于其他三种方法。其中,LSTM性能最差,因为LSTM是一个时序模型,仅能捕获站点的时间依赖,无法挖掘站点之间的空间依赖,GCGRU虽然将GRU中乘积运算替换成图上的卷积运算,以用来捕获站点之间的空间依赖,但这种空间依赖是基于邻接矩阵得到的,故捕获到的空间依赖是静态的,本发明提出的基于GDU的Seq2Seq模型中引入了门控机制和时空双注意力机制,能够很好的捕获站点之间复杂的时空依赖关系。
综上,本发明方法在模型中引入门控机制、时空双注意力机制,能很好的捕获区域站点之间复杂的动态时空依赖关系。同时,在真实的车辆轨迹数据实验中可以看出,与其他算法相比,基于GDU的Seq2Seq预测模型能够对居民出行做出精准预测,从而减少居民的等待时间,提高居民的出行质量。基于预测的结果,出租车公司可以提前统筹分配车辆,使得效益最大化。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于时空数据的出行需求预测方法,其特征在于,所述方法包括以下步骤:
步骤1,采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
步骤2,基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
步骤3,基于地图匹配结果进行出行需求预测。
2.根据权利要求1所述的基于时空数据的出行需求预测方法,其特征在于,步骤1中所述车辆轨迹数据,包括车辆编号、采样时间、车辆经度、车辆纬度、车辆速度和方向角;步骤2中所述城市路网数据包括路段的起点、终点、道路等级、限速和长度。
3.根据权利要求1或2所述的基于时空数据的出行需求预测方法,其特征在于,步骤1中所述预处理具体包括:
步骤1-1,对采集的原始车辆轨迹进行格式转化,转化为后续数据处理所需的格式;
步骤1-2,去除噪声数据,包括重复的采样轨迹数据、偏离预设轨迹路线的异常采样轨迹数据;
步骤1-3,抽取采样轨迹数据,具体包括:
(1)根据采样点位置的变化提取每辆车的采样轨迹数据;
(2)根据时间戳对每辆车的采样轨迹数据进行排序;
步骤1-4,计算每辆车的采样轨迹数据与预设轨迹路线的位置偏移量,判断该偏移量是否大于预设阈值,若大于,对该采样轨迹数据进行平滑处理。
4.根据权利要求3所述的基于时空数据的出行需求预测方法,其特征在于,步骤2所述基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配,具体包括:
步骤2-1,基于城市路网数据,构建路网空间索引,具体包括:
(1)利用图结构G<V,E>表示城市路网,其中V表示道路之间的交叉点的集合,E表示路网中路段的集合;
(2)利用R-树技术为(1)中得到的路段集合建立空间索引;
步骤2-2,候选路段选取:针对轨迹中的每一个采样点,计算其与路网中各路段之间的最短距离,将最短距离小于预设阈值的路段作为该采样点对应的候选路段;
步骤2-3,进行车辆轨迹地图匹配,具体包括:
(1)进行误差概率建模
采样点的误差概率N(pi|sgt)定义为:
(2)进行方向概率建模
以正北方向为基准,顺时针方向为正方向,定义采样点的方向角为采样点的行驶方向与正北方向所成的角度,方向概率D(pi|sgt)定义为:
D(pi|sgt)=log(1+exp(-α))
其中,
(3)进行测量概率建模
结合误差概率和方向概率,改进的测量概率I(pi|sgt)定义为:
I(pi|sgt)=N*D
(4)进行转换概率建模
给定两个相邻采样点,转换概率为车辆从前一采样点的某个候选路段行驶到后一采样点的某个候选路段的概率,候选路段之间的转换概率P(sgm|sgt)定义为:
其中,
(5)进行参数选择
结合初始状态概率、改进的测量概率和转换概率,利用维特比算法求出最优的状态序列,即车辆最有可能的行驶路径;其中,所述初始状态概率定义为轨迹中第一个采样点的测量概率;
计算所述最优的状态序列与城市路网数据的匹配度,包括Ar和Al两个评价指标:
其中,Ar表示路段个数匹配的准确度,Al表示路段长度匹配的准确度;
判断Ar和Al两个评价指标值是否均满足其各自的精度阈值范围,若是,则匹配结束,否则,重新设置误差概率中的参数μ和δ,并重复执行步骤2-3直至满足要求。
5.根据权利要求4所述的基于时空数据的出行需求预测方法,其特征在于,步骤3所述基于地图匹配结果进行出行需求预测,具体包括:
步骤3-1,选择城市热门区域站点并构建邻接矩阵,具体包括:
(1)基于地图匹配得到的车辆轨迹数据集,统计每个站点的轨迹数量,将轨迹数大于预设阈值的站点定义为有效站点;
(2)根据城市路网的空间拓扑结构,构建有效站点的邻接矩阵A:
式中,Aij表示邻接矩阵A第i行第j列的元素,dij表示站点i到站点j的距离,η和ε为两个预设阈值,用于控制邻接矩阵A的稀疏性;
步骤3-2,构建出行需求数据集:设置时间间隔,统计该间隔内各站点的出行需求,得到数据集,记为χ∈RT×N×F,T、N、F分别表示时间、站点个数、出行需求特征的维度;
步骤3-3,构建出行预测模型,具体包括:
(1)使用门控扩散单元GDU抽取站点间的交互信息以及时序网络中的时间依赖;
所述门控扩散单元GDU仅包括遗忘门和进化门,其中,GDU中的遗忘门fi定义为:
式中,表示结点i在当前时刻t的输入特征向量,表示结点i在当前时刻t的隐状态向量,表示当前时刻t结点i的邻居节点的隐状态向量的集合,为通过聚合结点i邻居节点的信息得到的隐状态,为结点i在下个时刻t+1的隐状态向量;Wf为随机初始化的一个参数矩阵,σ为激活函数;
GDU中的进化门ei定义为:
式中,We为随机初始化的一个参数矩阵;
式中,Wu为随机初始化的一个参数矩阵;
(2)在GDU中的聚合函数中引入空间注意力机制,捕获区域站点之间的动态空间依赖关系,定义如下:
式中,表示结点i和结点j在t时刻的动态空间依赖关系,Linear(;wα)为全连接层,Wα、wα均为全连接层的参数,为拼接后形成的输入向量,为邻居结点的隐状态向量,ReLU表示激活函数,表示结点i的邻居节点的权重,K表示结点i的邻居节点的个数;故表示为,
式中,J表示节点即站点的个数;
(3)在原始的Sequence-to-Sequence结构中引入时间注意力机制,定义如下:
式中,hp、hq分别为编码器第p个时刻和解码器第q个时刻的隐藏向量,R表示编码器的时刻数,Linear([Wαhp,Wαhq];wα)用于学习hp和hq的相似性,故时刻p的语义向量Cp可表示为:
式中,Q表示解码器的时刻数;
步骤3-4,模型训练与多步预测,具体包括:将邻接矩阵和出行需求数据输入到GDU中,训练模型并作出预测,判断预测结果是否满足预设精度或达到预设迭代次数,若是,则返回预测结果,否则优化模型参数,重新该步骤直至满足条件。
6.实现权利要求1至5任意一项所述方法的基于时空数据的出行需求预测***,其特征在于,所述***包括:
数据采集模块,用于采集原始车辆轨迹数据,并进行预处理以获得所需的轨迹数据;
车辆轨迹地图匹配模块,用于基于轨迹数据和城市路网数据,进行车辆轨迹地图匹配;
出行需求预测模块,用于基于地图匹配结果进行出行需求预测。
7.根据权利要求6所述的基于时空数据的出行需求预测***,其特征在于,所述数据采集模块包括用于实现预处理的依次执行的:
数据转换单元,用于对采集的原始车辆轨迹进行格式转化,转化为后续数据处理所需的格式;
过滤单元,用于去除噪声数据,包括重复的采样轨迹数据、偏离预设轨迹路线的异常采样轨迹数据;
数据提取单元,用于抽取采样轨迹数据;
平滑单元,用于对采样轨迹数据进行平滑处理。
8.根据权利要求7所述的基于时空数据的出行需求预测***,其特征在于,所述车辆轨迹地图匹配模块包括:
索引构建单元,用于基于城市路网数据,构建路网空间索引;
候选路段选取单元,用于针对轨迹中的每一个采样点,提取其候选路段;
匹配单元,用于进行车辆轨迹地图匹配。
9.根据权利要求8所述的基于时空数据的出行需求预测***,其特征在于,所述出行需求预测模块包括:
邻接矩阵构建单元,用于选择城市热门区域站点并构建邻接矩阵;
数据集构建单元,用于构建出行需求数据集;
模型构建单元,用于构建出行预测模型;
训练与预测单元,用于实现模型训练与多步预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136751.6A CN112785077A (zh) | 2021-02-01 | 2021-02-01 | 基于时空数据的出行需求预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136751.6A CN112785077A (zh) | 2021-02-01 | 2021-02-01 | 基于时空数据的出行需求预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785077A true CN112785077A (zh) | 2021-05-11 |
Family
ID=75760258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110136751.6A Pending CN112785077A (zh) | 2021-02-01 | 2021-02-01 | 基于时空数据的出行需求预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785077A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407542A (zh) * | 2021-06-28 | 2021-09-17 | 长春理工大学 | 一种城市路网车辆出行轨迹的检索方法及*** |
CN113642682A (zh) * | 2021-10-14 | 2021-11-12 | 北京理工大学 | 一种多车交互环境下的轨迹基元提取与分析方法和*** |
CN113704565A (zh) * | 2021-10-28 | 2021-11-26 | 浙江大学 | 基于全局区间误差的学习型时空索引方法、装置及介质 |
CN116109021A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院大学 | 基于多任务学习的行程时间预测方法、装置、设备及介质 |
CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318327A (zh) * | 2014-10-17 | 2015-01-28 | 北京邮电大学 | 一种车辆轨迹预测分析方法 |
CN110163439A (zh) * | 2019-05-24 | 2019-08-23 | 长安大学 | 一种基于注意力机制的城市规模出租车轨迹预测方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN111060112A (zh) * | 2019-12-12 | 2020-04-24 | 南京航空航天大学 | 基于方向角的车辆轨迹地图匹配方法及*** |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
-
2021
- 2021-02-01 CN CN202110136751.6A patent/CN112785077A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318327A (zh) * | 2014-10-17 | 2015-01-28 | 北京邮电大学 | 一种车辆轨迹预测分析方法 |
CN110163439A (zh) * | 2019-05-24 | 2019-08-23 | 长安大学 | 一种基于注意力机制的城市规模出租车轨迹预测方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN111060112A (zh) * | 2019-12-12 | 2020-04-24 | 南京航空航天大学 | 基于方向角的车辆轨迹地图匹配方法及*** |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407542A (zh) * | 2021-06-28 | 2021-09-17 | 长春理工大学 | 一种城市路网车辆出行轨迹的检索方法及*** |
CN113407542B (zh) * | 2021-06-28 | 2023-11-14 | 长春理工大学 | 一种城市路网车辆出行轨迹的检索方法及*** |
CN113642682A (zh) * | 2021-10-14 | 2021-11-12 | 北京理工大学 | 一种多车交互环境下的轨迹基元提取与分析方法和*** |
CN113642682B (zh) * | 2021-10-14 | 2021-12-31 | 北京理工大学 | 一种多车交互环境下的轨迹基元提取与分析方法和*** |
CN113704565A (zh) * | 2021-10-28 | 2021-11-26 | 浙江大学 | 基于全局区间误差的学习型时空索引方法、装置及介质 |
CN113704565B (zh) * | 2021-10-28 | 2022-02-18 | 浙江大学 | 基于全局区间误差的学习型时空索引方法、装置及介质 |
CN116109021A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院大学 | 基于多任务学习的行程时间预测方法、装置、设备及介质 |
CN116109021B (zh) * | 2023-04-13 | 2023-08-15 | 中国科学院大学 | 基于多任务学习的行程时间预测方法、装置、设备及介质 |
CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785077A (zh) | 基于时空数据的出行需求预测方法及*** | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及*** | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN113673749B (zh) | 车辆行人地图轨迹预测方法及装置 | |
CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和*** | |
CN111461426A (zh) | 一种基于深度学习的高精度行程时长预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及*** | |
CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和*** | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
CN117077843A (zh) | 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及*** | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN115062708A (zh) | 一种基于轨迹偏差点嵌入和深度聚类的异常节点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |